Analisis Representasi Frekuensi Berbasis DCT dan FFT pada CNN untuk Klasifikasi Gambar Anime Buatan AI dan Karya Manusia

Christian Tungadi, Richie (2026) Analisis Representasi Frekuensi Berbasis DCT dan FFT pada CNN untuk Klasifikasi Gambar Anime Buatan AI dan Karya Manusia. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_I.pdf Download (220kB)
	PDF BAB_II.pdf Download (312kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (5MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (219kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (232kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (233kB)
	Archive (ZIP) 00000074763_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Perkembangan model generatif membuat gambar anime buatan AI semakin sulit dibedakan dari karya manusia secara visual. Kondisi tersebut mendorong kebutuhan terhadap metode deteksi otomatis yang mampu mengenali perbedaan antara gambar anime buatan AI dan gambar anime karya manusia. Penelitian ini menganalisis representasi frekuensi berbasis Discrete Cosine Transform (DCT) dan Fast Fourier Transform (FFT) pada Convolutional Neural Networks (CNN) untuk klasifikasi gambar anime buatan AI dan karya manusia. Dataset yang digunakan merupakan subset AnimeDL-2M yang telah dikurasi ke dalam dua kelas, yaitu ai dan human, dengan total 135.262 gambar setelah pembersihan duplikasi berbasis perceptual hash. Data dibagi menggunakan rasio 70:15:15 menjadi data latih, validasi, dan uji. Eksperimen awal menguji tiga skenario model, yaitu ResNet18 RGB, ResNet18+DCT Grayscale, dan ResNet18+FFT Grayscale. Setelah itu, dilakukan eksperimen tambahan dengan mengekstraksi fitur frekuensi pada masing-masing kanal RGB, yaitu ResNet18+DCT RGB dan ResNet18+FFT RGB. Model terbaik dipilih berdasarkan validation macro F1-score, kemudian dievaluasi menggunakan data uji berdasarkan akurasi, precision, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa ResNet18+FFT RGB memperoleh nilai uji tertinggi dengan akurasi 0,9754 dan macro F1-score 0,9657. ResNet18 RGB memperoleh akurasi 0,9742 dan macro F1-score 0,9642, sedangkan ResNet18+DCT Grayscale memperoleh akurasi 0,9743 dan macro F1-score 0,9641. Eksperimen tambahan menunjukkan bahwa representasi frekuensi berbasis kanal RGB dapat mengubah keseimbangan prediksi model; ResNet18+FFT RGB memperoleh performa keseluruhan terbaik, sedangkan ResNet18+DCT RGB menghasilkan kesalahan paling sedikit pada kelas AI tetapi memiliki kesalahan lebih besar pada kelas human. Dengan demikian, representasi frekuensi pada penelitian ini berperan sebagai informasi pelengkap yang dapat memengaruhi karakteristik prediksi model, tetapi peningkatan performa keseluruhan relatif kecil dan perlu diuji lebih lanjut melalui pengujian berulang.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Christian Tungadi, Richie (00000074763)
Contributors:	Kusuma, A. A. N. Ananda (8984101024)
Keywords:	CNN, DCT, FFT, gambar anime, klasifikasi citra
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	14 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47504

Actions (login required)

View Item